吴凯西（Cathy Wu）从记忆之初，就一直想找到解决问题、改善人们生活的方法。她的父母是台湾移民，父亲通勤路途遥远，这让他很难有时间陪伴家人。由于家庭预算有限，一家人常常待在家中，因为所住街道车流繁忙，不适合在户外玩耍。于是吴凯西和兄弟姐妹花了大量时间玩电脑游戏。
吴凯西说，她想让世界变得更好的愿望、父亲每天与交通拥堵斗争的经历，以及她玩过的游戏（比如《模拟城市》），都是她立志设计安全高效交通系统的最初动力来源。
吴凯西是麻省理工学院土木与环境工程系（CEE）和数据、系统与社会研究所（IDSS）的副教授，同时也是信息与决策系统实验室的首席研究员。她的研究重点是利用机器学习和强化学习（RL），为包括交通系统在内的一系列复杂系统设计可靠的改进策略。
“设计交通系统需要对数十甚至成百上千种方案进行建模和分析，这意味着依靠现有工具根本无法实现以证据驱动的系统设计方法，”吴凯西说，“这正是强化学习可以发挥作用的地方。如果成功，它将解放交通研究人员，并帮助他们的从业伙伴设计出真正想要的系统。”
吴凯西说，是她的姐姐让她萌生了改善人们生活的愿望，而她对交通的兴趣恰好与这一理想完美契合。
“我喜欢交通，因为它连接着每一个人。我们都在使用它、经历它，也都遇到过各种问题。所以从某种程度上说，我们都希望这个系统能变得更好，”她说。
吴凯西在麻省理工学院读本科期间，在聆听已故教授塞思·特勒（Seth Teller）关于自动驾驶汽车的讲座后，开始对将人工智能应用于交通产生兴趣。那次讲座是在独立活动期间的一场机器人竞赛中进行的（吴凯西恰好赢得了那次比赛），正是这次经历塑造了她日后对交通研究的独特思路，吴凯西说。她随后开始与特勒合作，当特勒不再专注于自动驾驶汽车研究时，他鼓励吴凯西转到达妮埃拉·鲁斯（Daniela Rus）教授门下，后者此前曾研究过机器人出租车。
“我非常感激那些帮助我探索这些兴趣、助我成为今天这个样子的人，”她说，特别提到了特勒、鲁斯，以及“我在Dropbox的朋友们”，正是他们邀请她进行了第二次聚焦交通问题的实习。
在麻省理工学院获得硕士学位后，吴凯西前往加州大学伯克利分校攻读博士学位。在此期间，她观察到交通研究人员常常要花费数年时间，才能开发出针对单一新系统变体进行建模和分析的优化方法。而她作为计算机科学家，致力于开发强化学习和优化方法以应对交通挑战，这种方式有望大幅提升效率。
2018年，也就是吴凯西在加州大学伯克利分校读博的最后一年，她成功将强化学习应用于一个交通问题：自动分析自动驾驶汽车在不同交通网络中可能产生的交通流量影响。这项研究引发了广泛关注。
虽然这本可以成为吴凯西“从此一帆风顺”的转折点，但强化学习的表现却反复无常。她在微软做博士后期间研究强化学习理论，之后回到麻省理工学院任教，她说，吸引她回来的是CEE对可持续发展的关注，以及IDSS将数据科学融入其他学科的理念。
然而在接下来的两年里，吴凯西进一步尝试将强化学习应用于交通问题却屡屡失败。
“那段时间压力很大，”吴凯西说，“当时根本不清楚问题出在哪里——是我（作为导师）、是我的学生、是交通这个领域，还是强化学习本身。”
尽管如此，早期的研究已经证明了强化学习可以应用于交通系统这一概念的可行性。
2022年，她和学生们发现，强化学习算法对问题极其敏感，一个在某个问题上有效的算法，可能在另一个高度相关的问题上就完全失效。吴凯西说她最为自豪的一项关键成果出现在2023年，“因为那就像是走过漫长黑暗隧道后看到的那束光”。她和她的研究团队设计出一种方法，可以绕过强化学习的敏感性问题。团队发现，虽然强化学习可能无法在一组问题中的90%上训练良好，但它可以在剩下10%的问题上表现得相当出色。通过在这些能够良好训练并实现泛化的问题上训练强化学习模型，所得到的模型能够在一系列相关问题上集体表现良好，甚至包括那些直接训练无法解决的问题。研究人员设计了一种算法，用于判断该用哪些问题来训练强化学习模型，这种算法将训练效率提升了多达30倍，这意味着原本需要100个训练模型才能完成的工作，现在可能只需要三个模型。
“这项工作重新让我相信，强化学习可以在解决困难的优化问题（包括交通领域的问题）中发挥重要作用，”吴凯西说，“现在，我团队中相当一部分人正在研究‘情境化强化学习’这一课题，这是一种让强化学习致力于解决一整类相关问题的研究设定。”
吴凯西最近的研究将强化学习应用于解决一个具有重要政策意义的交通优化难题：研究表明，通过智能控制车速、减少频繁的起停来实施生态驾驶措施，可以将车辆排放量降低11%至22%。该系统提供的证据表明，推行此类措施的政策能够显著提升系统效率，吴凯西说，这“证明了强化学习可以用来为具有实际重要性的交通政策问题提供依据”。
“我非常推崇基于证据的政策制定，并相信这是繁荣民主社会的基础，然而我们的社会系统又异常复杂，”吴凯西说，“人们可能会在孰优孰劣的问题上无休止地争论，但我确实相信，有些争论的问题是可以通过数据进行系统分析、并得出客观答案的。我投身学术界的很大一部分原因，就是想更好地理解技术如何能够支持民主社会的决策。”
吴凯西说，她和团队过去几年所做的大量工作，产出了一系列算法，“用于简化那些困难优化问题求解器的开发过程，无论这些问题是关于交通的，还是关于物流、供应链、制造业和资源分配等其他系统的。”
“这体现了我偏爱的工作方式，”吴凯西说，“这被称为‘应用驱动的基础研究’，”她解释说，这类研究从解决一个实际问题出发，开发出的基础知识往往可以推广应用到其他实际问题中。她的学生们首先从安全、拥堵、可达性等一系列重要问题入手进行探究，找出现有方法的不足之处，并让问题本身来引导研究的方向。
与此同时，吴凯西希望以更个人化的方式帮助他人的愿望，也体现在她的教学工作中。
“我喜欢与学生共事，无论是在课堂上还是在研究指导中，”她说，“当我能够教会某人一些东西时——当我看到学生眼中那束灵光闪现的瞬间——那一天就变得特别美好。”
除了获得包括2023年美国国家科学基金会职业生涯早期发展奖等学术荣誉外，吴凯西的教学和指导工作也得到了正式认可，其中包括2025年获得的奥勒·麦德森指导奖（Ole Madsen Mentoring Award）。
面对极其复杂的问题，她会对学生们说什么？
“要有耐心，从小处着手。社会影响力是一场终身的追求，而不是几年之内就能实现的事情，”吴凯西说，“要真正理解事情的本质和真正的问题所在，需要花费数年时间。在此期间，尽力提供帮助，保持好奇心，多问问题。”
Q&A
Q1：吴凯西的研究主要关注什么方向？
A：吴凯西的研究主要利用机器学习和强化学习，为交通系统等复杂系统设计可靠的改进策略，致力于用数据驱动的方法支持交通系统的优化设计。
Q2：强化学习在交通优化中遇到过什么困难？
A：吴凯西和团队发现强化学习算法对问题极其敏感，一个算法在某个交通问题上有效，可能在相关问题上完全失效，这让她的研究团队经历了两年的失败尝试。
Q3：生态驾驶措施能带来什么效果？
A：吴凯西的研究显示，通过智能控制车速、减少频繁起停的生态驾驶措施，可以将车辆排放量降低11%至22%，为交通政策制定提供了实际依据。
